CN116485784B - 一种基于时序ndvi的冬闲田遥感提取方法 - Google Patents
一种基于时序ndvi的冬闲田遥感提取方法 Download PDFInfo
- Publication number
- CN116485784B CN116485784B CN202310690286.XA CN202310690286A CN116485784B CN 116485784 B CN116485784 B CN 116485784B CN 202310690286 A CN202310690286 A CN 202310690286A CN 116485784 B CN116485784 B CN 116485784B
- Authority
- CN
- China
- Prior art keywords
- winter
- ndvi
- remote sensing
- sensing image
- idle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 241000209140 Triticum Species 0.000 claims abstract description 49
- 235000021307 Triticum Nutrition 0.000 claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000012010 growth Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 5
- 239000008542 feiji Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 240000002791 Brassica napus Species 0.000 description 1
- 235000011293 Brassica napus Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 244000043261 Hevea brasiliensis Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920003052 natural elastomer Polymers 0.000 description 1
- 229920001194 natural rubber Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时序NDVI的冬闲田遥感提取方法,首先,基于样本遥感影像确定冬小麦与冬闲田对比物候线,其中对比物候线将冬小麦生长期划分为第一生长期和第二生长期;其次,获取包含研究区域的遥感影像并进行预处理,得到研究区域的耕地遥感影像;最后,针对耕地遥感影像,确定其冬小麦与冬闲田的NDVI区分阈值,逐像元地计算耕地遥感影像在第一、第二生长期内的NDVI均值,进而得到两个生长期NDVI均值的变化值,再与冬小麦与冬闲田的NDVI区分阈值进行比较,当NDVI均值的变化值低于NDVI区分阈值时,判断该像元属于冬闲田,从而得到研究区域的冬闲田分布信息,填补了冬闲田遥感提取的技术空白。
Description
技术领域
本发明涉及农业遥感监测技术领域,尤其涉及基于时序NDVI的冬闲田遥感提取方法。
背景技术
国内的粮食生产功能区和重要农产品生产保护区包括稻谷、小麦、玉米三大谷物粮食生产功能区和大豆、棉花、油菜籽、糖料蔗、天然橡胶等五类重要农产品生产保护区。粮食生产功能区主要为确保“谷物基本自给、口粮绝对安全”,重要农产品生产保护区主要为保障棉、油、糖、胶等重要农产品有效供给。
安徽中北部地区大量面积种植小麦,但随着由于经济结构的调整以及农村劳动力的转移,越来越多的农户放弃秋季播种,导致大量土地自秋收后到第二年播种前这段时间被闲置,被称之为冬闲田。冬闲田的出现使得耕地利用率进一步下降,导致光热水土资源的浪费。因此,加强冬季耕地种植情况监测,合理开发未种植地,有助于生态环境保护以及农村经济社会可持续发展。
目前,遥感是监测农情信息最方便、经济、及时的手段。遥感技术具有客观、及时的特点,可在短期内获得大量大范围的地面信息。但是,目前鲜有通过遥感技术快速提取冬闲田面积及分布情况的应用。
发明内容
为此,本发明提供一种基于时序NDVI的冬闲田遥感提取方法,利用时序NDVI变化曲线,进行耕地范围内冬闲田的识别与提取。
一种基于时序NDVI的冬闲田遥感提取方法,包括以下步骤:
步骤1,基于样本遥感影像确定冬小麦与冬闲田对比物候线,其中对比物候线将冬小麦生长期划分为第一生长期和第二生长期;
步骤2,获取包含研究区域的遥感影像并进行预处理,再以该研究区域的耕地矢量边界作为掩膜,去除遥感影像中的非耕地区域,形成研究区域的耕地遥感影像;
步骤3,针对耕地遥感影像,确定其冬小麦与冬闲田的NDVI区分阈值;
步骤4,逐像元地计算耕地遥感影像在第一、第二生长期内的NDVI均值,进而得到两个生长期NDVI均值的变化值,再与冬小麦与冬闲田的NDVI区分阈值进行比较,当NDVI均值的变化值低于NDVI区分阈值时,判断该像元属于冬闲田,从而得到研究区域的冬闲田分布信息。
进一步的,步骤1包括以下步骤:
步骤1.1,选取包含一定数量的冬小麦和冬闲田的遥感影像作为样本遥感影像,并对其中的部分冬小麦和冬闲田进行人工标记,分别作为冬小麦和冬闲田区域样本;
步骤1.2,分别计算冬小麦区域样本和冬闲田区域样本不同时间遥感影像的NDVI值,构成冬小麦时序NDVI曲线和冬闲田时序NDVI曲线;
步骤1.3,分析两条时序NDVI曲线的最小累计距离特征,确定冬小麦与冬闲田对比物候线,其中,优选基于TWDTW算法分析两条时序NDVI曲线的最小累计距离特征。
进一步的,步骤3包括以下步骤:
步骤3.1,分别计算耕地遥感影像中每个像元在第一、第二生长期的NDVI均值,以及两个生长期NDVI均值的变化值,得到两个生长期的NDVI均值变化灰度图;
步骤3.2,基于图像分割算法,从NDVI均值变化灰度图中得出冬小麦与冬闲田的NDVI区分阈值,其中,所述图像分割算法优选OSTU算法。
进一步的,步骤1中的预处理包括辐射定标、大气校正、正射校正、几何配准。
进一步的,对步骤3得到的冬闲田分布信息进行后处理,剔除林地、水体、建筑物,得到最终的冬闲田空间分布结果。
本发明通过样本遥感影像获取冬小麦与冬闲田对比物候线,基于该对比物候线得到研究区域耕地遥感影像的冬小麦与冬闲田的NDVI区分阈值,进而实现冬小麦种植区域冬闲田遥感提取,填补了冬闲田遥感提取的技术空白,且整体提取精度较高。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本发明提出的基于时序NDVI的冬闲田遥感提取方法流程图;
图2是样本遥感影像的冬小麦时序NDVI曲线和冬闲田时序NDVI曲线对比示意图;
图3是肥西县耕地遥感影像示意图;
图4是肥西耕地遥感影像第一生长期的NDVI均值灰度图;
图5是肥西耕地遥感影像第二生长期的NDVI均值灰度图;
图6是肥西耕地遥感影像第一、第二生长期的NDVI均值变化灰度图;
图7是最终的肥西县冬闲田空间分布结果示意图;
图8为肥西县局部冬闲田提取结果与Sentinel-2遥感影像对比。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例
一种基于时序NDVI的冬闲田遥感提取方法,如图1所示,包括以下步骤:
1、基于样本遥感影像确定冬小麦与冬闲田对比物候线,其中对比物候线将冬小麦生长期划分为第一生长期和第二生长期。
此对比物候线可以通过大量标记样本汇总分析得到,但为保证其准确性,需要的标记样本数量较为庞大,从而为其准确获取增加了难度。本实施例提出一种冬小麦与冬闲田对比物候线提取方法,可以通过较少的标记样本得到较为准确的对比物候线,具体包括以下步骤:
⑴选取包含一定数量的冬小麦和冬闲田的遥感影像作为样本遥感影像,本实施例选择2022年4月7日0.5m空间分辨率的吉林一号卫星遥感影像。
⑵对其中的部分冬小麦和冬闲田进行人工标记,分别作为冬小麦和冬闲田区域样本。
⑶分别计算冬小麦区域样本和冬闲田区域样本不同时间遥感影像的NDVI值(取区域样本所有像元NDVI值的均值),构成冬小麦时序NDVI曲线和冬闲田时序NDVI曲线,如图2所示。
⑷分析两条时序NDVI曲线的最小累计距离特征,确定冬小麦与冬闲田对比物候线,参考图2竖线位置;
基于TWDTW算法分析两条时序NDVI曲线的最小累计距离特征。TWDTW算法的核心是基于动态规划思想进行相似性度量的分类方法,寻找一条累计距离最小的路径。由于具体算法属于现有技术(2021年11月12日公开的发明专利申请CN 113642464 A已公开),此处不再赘述,从图2可以直观地看出,大约从2022年1月27日起,两条时序NDVI曲线开始出现较大分离。
2、获取包含研究区域的遥感影像并进行预处理,再以该研究区域的耕地矢量边界作为掩膜,去除遥感影像中的非耕地区域,形成研究区域的耕地遥感影像。
本实施例选取安徽省合肥市肥西县为研究区域,采用10米分辨率Sentinel-2影像和0.5米分辨率JL-1卫星影像为数据源,其中Sentinel-2影像范围为2021年10月至2022年5月19日,共297景;JL-1卫星影像时间为2022年4月7日,共1景。
下载Sentinel-2遥感影像,对影像数据进行辐射定标、大气校正、正射校正、几何配准,并以第三次全国土地调查的肥西县耕地矢量边界作为掩膜,去除遥感影像中的非耕地区域,形成肥西县耕地遥感影像,如图3所示。
3、针对肥西耕地遥感影像,确定其冬小麦与冬闲田的NDVI区分阈值。
⑴分别计算肥西耕地遥感影像中每个像元在第一、第二生长期的NDVI均值,以及两个生长期NDVI均值的变化值,得到两个生长期的NDVI均值变化灰度图;图4、图5分别为第一生长期NDVI均值灰度图(局部)、局部第二生长期的NDVI均值灰度图(局部),图6为两个生长期的NDVI均值变化灰度图(局部)。
⑵基于OSTU算法,从NDVI均值变化灰度图中得出冬小麦与冬闲田的NDVI区分阈值。OSTU算法,又被称为最大类间方差法,是一种确定阈值的算法,按照图像的灰度特性,将图像分成背景和前景两部分;对应于本实施例的具体应用,是找出一个阈值,能够将NDVI均值变化灰度图中的像素分为冬小麦和冬闲田两类。
统计NDVI均值变化灰度图中每个灰度的像素个数,设ni为灰度图中灰度i的像素数量,则灰度图中灰度为i的概率为pi=ni/(n0+n1+...+n255)。根据OTSU算法的思想,NDVI区分阈值应当使得划分后的两类的方差最大,也就这可以看成一个求最大值的问题。本实施例根据图6确定出NDVI均值变化灰度图为0.065。
从图2可以看出,冬小麦相比于冬闲田,对比物候线前后的变化更大,因此判断遥感影像中所有像元在两个生长期的NDVI均值的变化值,小于NDVI区分阈值0.065的,可判定为冬闲田。
4、逐像元地计算耕地遥感影像的NDVI值,与冬小麦与冬闲田的NDVI区分阈值进行比较,当NDVI值低于NDVI区分阈值时,判断该像元属于冬闲田,从而得到研究区域的冬闲田分布信息。
由于本发明针对的识别区域主要涉及种植冬小麦的粮食生产功能区以及第三次全国土地调查的耕地范围,此范围除了耕地、闲田,还可能包括水体、林地、建筑物。为此,
对上述步骤得到的冬闲田分布信息进行后处理,剔除林地、水体、建筑物,得到最终的冬闲田空间分布结果,如图7所示。此后处理步骤,属于现有技术,此处不予赘述。
通过0.5米分辨率JL-1影像和随机野外验证,冬闲田提取结果的总体分类精度为89.9%、用户精度为90.7%、制图精度为86.2%、Kappa系数为0.82,总体精度较高,图8展示了局部冬闲田提取结果与Sentinel-2遥感影像对比。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
Claims (5)
1.一种基于时序NDVI的冬闲田遥感提取方法,其特征在于,包括以下步骤:
步骤1,基于样本遥感影像确定冬小麦与冬闲田对比物候线,其中对比物候线将冬小麦生长期划分为第一生长期和第二生长期,具体包括:
步骤1.1,选取包含一定数量的冬小麦和冬闲田的遥感影像作为样本遥感影像,并对其中的部分冬小麦和冬闲田进行人工标记,分别作为冬小麦和冬闲田区域样本;
步骤1.2,分别计算冬小麦区域样本和冬闲田区域样本不同时间遥感影像的NDVI值,构成冬小麦时序NDVI曲线和冬闲田时序NDVI曲线;
步骤1.3,分析两条时序NDVI曲线的最小累计距离特征,确定冬小麦与冬闲田对比物候线;
步骤2,获取包含研究区域的遥感影像并进行预处理,再以该研究区域的耕地矢量边界作为掩膜,去除遥感影像中的非耕地区域,形成研究区域的耕地遥感影像;
步骤3,针对耕地遥感影像,确定其冬小麦与冬闲田的NDVI区分阈值,具体包括:
步骤3.1,分别计算耕地遥感影像中每个像元在第一、第二生长期的NDVI均值,以及两个生长期NDVI均值的变化值,得到两个生长期的NDVI均值变化灰度图;
步骤3.2,基于图像分割算法,从NDVI均值变化灰度图中得出冬小麦与冬闲田的NDVI区分阈值;
步骤4,逐像元地计算耕地遥感影像在第一、第二生长期内的NDVI均值,进而得到两个生长期NDVI均值的变化值,再与冬小麦与冬闲田的NDVI区分阈值进行比较,当NDVI均值的变化值低于NDVI区分阈值时,判断该像元属于冬闲田,从而得到研究区域的冬闲田分布信息。
2.根据权利要求1所述的基于时序NDVI的冬闲田遥感提取方法,其特征在于,基于TWDTW算法分析两条时序NDVI曲线的最小累计距离特征。
3.根据权利要求1所述的基于时序NDVI的冬闲田遥感提取方法,其特征在于,所述图像分割算法采用OSTU算法。
4.根据权利要求1所述的基于时序NDVI的冬闲田遥感提取方法,其特征在于,步骤1中的预处理包括辐射定标、大气校正、正射校正、几何配准。
5.根据权利要求1所述的基于时序NDVI的冬闲田遥感提取方法,其特征在于,对步骤3得到的冬闲田分布信息进行后处理,剔除林地、水体、建筑物,得到最终的冬闲田空间分布结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690286.XA CN116485784B (zh) | 2023-06-12 | 2023-06-12 | 一种基于时序ndvi的冬闲田遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690286.XA CN116485784B (zh) | 2023-06-12 | 2023-06-12 | 一种基于时序ndvi的冬闲田遥感提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485784A CN116485784A (zh) | 2023-07-25 |
CN116485784B true CN116485784B (zh) | 2023-09-12 |
Family
ID=87215907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310690286.XA Active CN116485784B (zh) | 2023-06-12 | 2023-06-12 | 一种基于时序ndvi的冬闲田遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485784B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
BR102015009815A2 (pt) * | 2015-04-30 | 2017-03-21 | Inst Fed De Educação Ciencia E Tecnologia Da Paraíba - Ifpb | método de estimativa e previsão de movimento em séries temporais de imagens |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
AU2021100848A4 (en) * | 2021-02-10 | 2021-04-22 | Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences | A Regional Extraction Method of Ecological Restoration Project in the Grassland Based on the High-resolution Remote Sensing Images |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN115512237A (zh) * | 2022-10-11 | 2022-12-23 | 中科合肥智慧农业协同创新研究院 | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12094198B2 (en) * | 2020-09-21 | 2024-09-17 | Henan University | Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images |
-
2023
- 2023-06-12 CN CN202310690286.XA patent/CN116485784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102015009815A2 (pt) * | 2015-04-30 | 2017-03-21 | Inst Fed De Educação Ciencia E Tecnologia Da Paraíba - Ifpb | método de estimativa e previsão de movimento em séries temporais de imagens |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
AU2021100848A4 (en) * | 2021-02-10 | 2021-04-22 | Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences | A Regional Extraction Method of Ecological Restoration Project in the Grassland Based on the High-resolution Remote Sensing Images |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN115512237A (zh) * | 2022-10-11 | 2022-12-23 | 中科合肥智慧农业协同创新研究院 | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 |
Non-Patent Citations (1)
Title |
---|
我国长江中下游农业区冬闲田的遥感监测分析;翟孟源;徐新良;姜小三;;地球信息科学学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485784A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Wit et al. | Efficiency and accuracy of per-field classification for operational crop mapping | |
CN110288647B (zh) | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN109726698B (zh) | 基于遥感数据进行季度灌溉面积识别的方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN111597949B (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
CN113642464B (zh) | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN116188793A (zh) | 一种基于卫星遥感影像的紫云英种植面积监测方法 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
CN116485784B (zh) | 一种基于时序ndvi的冬闲田遥感提取方法 | |
Rahamathunnisa | A survey on agriculture monitoring with satellite and its benefits | |
CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
Shao et al. | Large-scale mapping of new mixed rice cropping patterns in southern China with phenology-based algorithm and MODIS dataset | |
CN113902717B (zh) | 一种基于光谱库的星载高光谱农田裸土目标识别方法 | |
CN117315471B (zh) | 一种基于遥感影像与机器学习的梯田识别方法 | |
CN116843533B (zh) | 一种基于植被分类和立地类型划分的矿区植被重建方法 | |
CN117095284B (zh) | 结合土地利用现状数据扩充样本的棉花提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |